本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

该研究采用带有结构先验知识的图神经网络，提出了高效的信息传递机制来共同学习动态关系和规则，并且在模拟物理系统上的实验结果表明，所提出的方法优于现有的最先进方法。

Jan, 2021

本文介绍了神经关系推理 (NRI) 模型在多智能体轨迹的关系推理领域的应用。作者发现没有足够长期的记录会严重损害 NRI 模型的推理结果，为此提出了一种叫做 DYARI 模型的扩展模型，能够处理关系动态变化的情况。作者通过对模型结构、底层动态和训练方案的详细研究，并在模拟物理系统和真实多智能体篮球轨迹上验证了 DYARI 模型的有效性。

Jul, 2020

建议提出了神经交互推断（NIIP）作为发现系统相互作用的替代方法，其灵活性更大，并具备对轨迹建模、添加外部约束以及异常检测的能力。

Oct, 2023

图神经网络在多种动态系统如实体和关系组成的问题中是有效的模型。本文提出了一种基于模块化元学习的关系推断方法，通过训练神经模块以不同方式组合解决多个任务，增加了推理能力，并在元学习优化内循环中采用模型导向的方法，提高了数据效率和可推断未直接观测到的实体状态的能力。

Oct, 2023

该研究提出了一个新的概率方法进行关系推断，使用基于物理的图神经网络来学习物理一致的两两粒子之间的相互作用，具有数据效率和泛化到大系统的能力，并能够比现有方法准确地推断相互作用类型，是发现宏观粒子系统机械性质的基本规律的关键元素。

Apr, 2023

本文介绍了交互推断网络（IIN），一种新的神经网络架构，它通过从交互空间层次性地提取语义特征来实现对语句对的高层次理解，并展示了类似大规模 NLI 的语料库上 Densely Interactive Inference Network （DIIN）的最新性能表现，DIIN 相对于最强的发表系统在具有挑战性的 Multi－Genre NLI（MultiNLI）数据集上实现了大于 20％的误差降低。

Sep, 2017

本文提出了一种将图形模型和深度神经网络集成到一个联合框架中的方法，在序列推断方面采用递归神经网络的建模，通过对节点之间的边缘施加门来学习推断的适当结构。实证研究表明，这种模型具有处理高度结构化学习任务的潜力，再现了在群体活动识别问题的表现。

Nov, 2015

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

本文扩展了 Factorised Neural Relational Inference 模型，加入了输出每个相空间向量部分的均值和标准差以及相应的损失函数，以解决神经网络在多交互轨迹重建中缺乏输出不确定性估计的问题。本文研究了多种损失函数，包括凸函数和 Bayesian 方法，并且我们发现在考虑不确定性时，变量的物理意义非常重要，且存在难以避免的病态局部最小值问题。

Jun, 2020